随着全球人口增多以及经济快速发展,二氧化碳大量排放导致温室气体猛增,气候变化对生命系统形成威胁,对此我国提出了“碳达峰”和“碳中和”目标。能源结构调整和新能源的高效开发利用是首要任务,风力发电具有可再生、无污染等优点成为了专家们的重点研究对象。但是风力发电因风的复杂多变性而难以预测。而风电功率的精准预测是风电并网的前提。因此,对风力发电功率进行准确预测是风力发电技术研究的根本。
为提高风电功率预测的准确性,本文提出了基于变分模态分解(Variational Mode Decomposition,VMD)、改进灰狼优化算法(Improved Grey Wolf Optimizer,IGWO)、动态回归模型(Autoregressive Integrated Moving Average model with input variables,ARIMAX)、最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)、长短期记忆(Long Short-Term Memory,LSTM)网络结合的风电功率短期预测组合模型。具体所做工作如下:
(1)为降低原始风电功率数据波动性,采用VMD算法对其分解,计算各子序列近似熵,根据近似熵对序列进行重构得到趋势、细节和随机三个平稳性不同的分量。通过使用分解前后数据分别进行预测实验,验证分解算法能提高风电功率序列可预测性。
(2)LSSVM、LSTM模型的重要参数选取对模型预测精度影响较大,针对这一问题采用灰狼优化算法(Grey Wolf Optimizer,GWO)对模型参数进行寻优。GWO存在前期开采能力弱,后期难以跳出局部最优解等缺点,对此提出一种IGWO对模型进行优化。该方法提出新的控制参数并引入新的算子,平衡灰狼算法全局开采和局部勘探能力,并且在最优个体上利用透镜成像反向学习策略产生新个体,使算法不易陷入局部最优解。通过实验证明IGWO在LSSVM、LSTM模型的参数选取具有优越性。
(3)结合天气特征数据对趋势、细节、随机分量进行预测。根据ARIMAX、IGWO-LSSVM、IGWO-LSTM在三个分量的预测表现,在各分量上选择最优模型作为组合模型预测,使用某风电场全年数据进行实验验证组合模型具有泛化性。
本文从改进优化算法优化预测模型和预测模型整体结构两个方面创新,通过对宁夏回族自治区某地区风电站实际数据进行短期风电功率预测研究,通过实验对比分析证明本文提出的组合模型的有效性。图39幅,表13个,参考文献72篇。
暂无评论